Nature:美国军方资助科研项目,AI植入大脑治疗心理疾病

简介:

这是首次在人类身上做测试:通过大脑植入物即提供电脉冲来调节人的感知和行为。由美国军方研究机构,美国国防部高级研究计划局(DARPA)资助的两个研究小组已经开始对“闭环”的大脑植入物进行初步试验。这种大脑植入物通过算法来检测心理疾病相关的模式。这些设备在没有医生干涉的情况下,可以使大脑恢复到健康状态。

上周在华盛顿召开的神经科学学会(SfN)会议上展示的这项工作,能够提供一种新的用于治疗严重精神疾病的方法来代替当前传统治疗方法。同时,这也会导致棘手的伦理问题,因为这种技术可以使研究人员实时获得一个人的内心感受。

通常的方法是通过大脑植入物来传递电脉冲,以此来改变神经活动。这种方法被称为深脑刺激。它被用来治疗运动障碍,如,帕金森病,但是针对情绪障碍(心理疾病)进行测试时,却不太成功。早期研究表明,持续刺激某些特定脑区能缓解慢性抑郁症,但是一项包含90名抑郁症患者的研究发现,治疗一年后并没有改善。

DARPA资助项目背后的科学家认为,前人的工作没有成功的地方,他们的有可能取得成功,因为他们已经设计出专门用于治疗精神疾病的大脑植入物,而且只在需要时开启。加州大学旧金山分校(UCSF)的神经科学家Edward Chang,,领导了其中某个项目,说:“我们已经从当前技术的局限性中学会了很多东西”。

DARPA正在资助Chang的团队和另一个位于波士顿的马萨诸塞州总医院(MGH)的团队,最终目标是治疗患有抑郁症和创伤后应激障碍的士兵和退伍军人。每个团队都希望建立一个植入式电极系统,当他们刺激大脑时,这个系统能够跟踪大脑活动。

这些团队正在开发新技术,用于癫痫病患者的实验,这些病人大脑中已经植入电极来跟踪他们的癫痫发作状况。研究人员可以使用这些电极来记录当间歇性刺激大脑时的状况,而不是像之前的植入物那样,持续不断地刺激大脑。

Mood map绘制情绪

在SfN会议上,洛杉矶南加州大学的电子工程师Omid Sani(他正在与Chang的团队合作)展示了第一张随着时间推移,在大脑中编码情绪的地图。他和同事,研究了6个带有植入电极的癫痫病患者,来详细地跟踪他们在1-3周的时间内大脑活动和情绪。通过比较这两种类型的信息,研究人员可以创建一个算法来“解码”这个人的大脑活动中不断改变的情绪。研究发现,出现了一些宽泛的模式,特别是在与情绪有关的大脑区域。

Sani谈到,Chang和他的团队,一旦找到合适的志愿者,准备立即测试他们的新的单个闭环系统。 Chang补充道,该团队已经在人们中测试了一些闭环刺激,但他拒绝提供细节,因为这项工作仍处在初级阶段。

MGH团队采取了不同的方法。他们不是检测某种特定的情绪或精神疾病,而是想要描绘与多种疾病中存在的行为相关的大脑活动,例如注意力集中困难和共情。在SfN会议上,他们报告了所开发的刺激大脑的算法对与受试者从给定的任务中(例如匹配数字图片或识别脸部情绪)分心时的测试情况。

研究人员发现,向参与决策和情绪的大脑区域提供电脉冲,显著改善了测试参与者的表现。这个团队还绘制了一个人因为健忘或分心而在给定的任务中逐渐失败或放缓的大脑活动情况,并发现他们能够通过刺激来扭转这种情绪。他们现在开始测试某种算法,这种算法通过使用大脑活动的特定模式作为触发器来自动刺激大脑。

Personalized treatment(个性化治疗)

德克萨斯州休斯敦贝勒医学院的精神病学家韦恩•古德曼(Wayne Goodman)希望闭环刺激能够比先前的深部脑刺激方法,能够提供更好地长期治疗心理障碍方法,部分原因在于最新一代的算法更多是个性化的和基于生理信号的,而不是医生的判断。 Goodman即将发起一个闭环刺激实验来治疗强迫症,他谈到:“你必须做很多调整才能把它做好。”

他说,刺激与情绪相关的大脑区域的一个挑战是过度纠正情绪来创造极度快乐,以此压倒所有其他感受的可能性。其他伦理方面的考虑来自这样一个事实,闭环刺激中使用的算法可以告诉研究人员这个人的情绪,而无需通过行为或面部表情来判断。马萨诸塞州剑桥哈佛大学伦理神经工程和精神病学家,MGH团队工程总监Alik Widge说:“虽然研究人员不能读懂人们的思想,但是我们将可以获得编码他们感受的活动。” 像Chang和Goodman的团队一样,Widge的小组正在与神经伦理学家一起解决围绕其工作的复杂伦理问题。

Chang说,但他的团队和其他人正在开发的刺激技术只是更好地治疗心境障碍的第一步。他预测,来自脑植入物试验的数据可以帮助研究人员开发通过颅骨刺激大脑的精神疾病的非侵入性治疗手段。他说:“关于这些技术的令人兴奋的事情是,我们第一次在大脑中有一扇窗户,当人们疾病复发时,我们知道大脑中发生了什么。”


原文发布时间为:2017-11-28

本文作者:文摘菌

本文来自云栖社区合作伙伴“大数据文摘”,了解相关信息可以关注“大数据文摘”微信公众号

相关文章
|
25天前
|
机器学习/深度学习 人工智能
打开AI黑匣子,三段式AI用于化学研究,优化分子同时产生新化学知识,登Nature
【10月更文挑战第11天】《自然》杂志发表了一项突破性的化学研究,介绍了一种名为“Closed-loop transfer”的AI技术。该技术通过数据生成、模型训练和实验验证三个阶段,不仅优化了分子结构,提高了光稳定性等性质,还发现了新的化学现象,为化学研究提供了新思路。此技术的应用加速了新材料的开发,展示了AI在解决复杂科学问题上的巨大潜力。
25 1
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
AI与未来医疗:革命性的诊断与治疗
本文探讨了人工智能在医疗领域的应用及其对未来医疗保健的潜在影响。通过分析当前AI技术的发展,特别是在疾病诊断、个性化治疗和患者护理方面的应用,揭示了AI如何提高医疗服务效率、准确性和可及性。同时,讨论了AI技术面临的伦理和隐私挑战,为未来医疗保健的发展方向提供了思考。
|
2月前
|
机器学习/深度学习 传感器 人工智能
AI与未来医疗:重塑健康管理新格局随着人工智能(AI)技术的飞速发展,医疗行业正迎来一场前所未有的变革。AI不仅在数据分析、诊断支持方面展现出巨大潜力,还在个性化治疗、远程医疗等多个领域实现了突破性进展。本文将探讨AI技术在医疗领域的具体应用及其对未来健康管理的影响。
人工智能(AI)正在彻底改变医疗行业的面貌。通过深度学习算法和大数据分析,AI能够迅速分析海量的医疗数据,提供精准的诊断和治疗建议。此外,AI在远程医疗、药物研发以及患者管理等方面也展现出了巨大的潜力。本文将详细探讨这些技术的应用实例,并展望其对健康管理的深远影响。
|
4天前
|
人工智能 知识图谱
成熟的AI要学会自己搞研究!MIT推出科研特工
MIT推出科研特工SciAgents,结合生成式AI、本体表示和多代理建模,实现科学发现的自动化。通过大规模知识图谱和多代理系统,SciAgents能探索新领域、识别复杂模式,加速新材料发现,展现跨学科创新潜力。
26 12
|
5天前
|
存储 人工智能 文字识别
AI与OCR:数字档案馆图像扫描与文字识别技术实现与项目案例
本文介绍了纸质档案数字化的技术流程,包括高精度扫描、图像预处理、自动边界检测与切割、文字与图片分离抽取、档案识别与文本提取,以及识别结果的自动保存。通过去噪、增强对比度、校正倾斜等预处理技术,提高图像质量,确保OCR识别的准确性。平台还支持多字体识别、批量处理和结构化存储,实现了高效、准确的档案数字化。具体应用案例显示,该技术在江西省某地质资料档案馆中显著提升了档案管理的效率和质量。
|
12天前
|
人工智能 安全 网络安全
揭秘!大模型私有化部署的全方位安全攻略与优化秘籍,让你的AI项目稳如磐石,数据安全无忧!
【10月更文挑战第24天】本文探讨了大模型私有化部署的安全性考量与优化策略,涵盖数据安全、防火墙配置、性能优化、容器化部署、模型更新和数据备份等方面,提供了实用的示例代码,旨在为企业提供全面的技术参考。
40 6
|
26天前
|
机器学习/深度学习 人工智能 监控
AI与未来医疗:革命性的诊断与治疗
【10月更文挑战第11天】 本文探讨了人工智能(AI)在现代医疗领域的应用,重点分析了AI如何通过精确的数据分析和机器学习技术,实现疾病的早期诊断和个性化治疗方案。通过具体案例展示了AI在医学影像分析、基因编辑、远程医疗及患者管理等方面的巨大潜力。同时,也讨论了AI在医疗中面临的伦理和隐私挑战,并提出了可能的解决方案。
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
探索未来AI趋势:掌握Function Calling技巧,解锁大模型精度提升的秘密武器,让你的数据科学项目事半功倍!
【10月更文挑战第6天】随着深度学习技术的发展,神经网络模型日益复杂,Function Calling作为一种机制,在提升大模型准确度方面发挥重要作用。本文探讨Function Calling的概念及其在大模型中的应用,通过具体示例展示如何利用其优化模型性能。Function Calling使模型能在运行过程中调用特定函数,提供额外的信息处理或计算服务,增强模型表达能力和泛化能力。例如,在文本生成模型中,根据上下文调用词性标注或实体识别等功能模块,可使生成的文本更自然准确。通过合理设计条件判断逻辑和功能模块权重,Function Calling能显著提升模型整体表现。
35 3
|
30天前
|
机器学习/深度学习 人工智能 算法
Nature子刊:AI模型测大脑年龄,究竟哪些因素会加速大脑衰老?
【10月更文挑战第7天】《自然医学》杂志近期发布了一项研究,介绍了一种名为BrainAge的人工智能模型,该模型可预测个体的大脑年龄并分析影响大脑衰老的因素。研究团队来自美国加州大学旧金山分校,利用英国生物银行的近50,000名参与者的数据,发现高血压、糖尿病、肥胖、吸烟、饮酒、缺乏运动及遗传因素均与大脑衰老有关。尽管存在数据集限制等局限性,BrainAge模型仍为研究大脑衰老和相关疾病提供了重要工具。
41 1
|
9天前
|
人工智能 Anolis 开发者

热门文章

最新文章

下一篇
无影云桌面